提升智能电网中分布式多智能体系统的安全性：一种基于人工智能的定期审计方法

《ACM Transactions on Cyber-Physical Systems》：Enhancing Security of Distributed Multi-Agent Systems in Smart Grids: An AI-Driven Approach to Regular Audits

智能电网面临实时数据依赖和复杂互联带来的网络物理异常风险，本研究提出融合异常检测与动态审计优化的多目标框架，通过实时数据（X）、基线指标（B）、阈值（Th）和关键权重（w）实现动态风险评估。实验表明该框架相较传统固定审计方案成本降低42.5%，异常检测准确率达98.4%，审计覆盖提升至93.8%，并创新性地将具身智能理念应用于电网安全，通过智能审计代理实现感知-学习-自适应闭环控制。

　　

摘要

由于智能电网具有复杂的互连性和对实时数据的依赖性，它们越来越容易受到网络物理异常的影响。确保电网的可靠性和最小化运营风险需要强大的异常检测系统和具有成本效益的审计策略。本文提出了一种新颖的多目标框架，该框架将异常检测与动态审计优化相结合，以应对这些挑战。该框架利用实时运营数据、基线指标、阈值和重要性权重来识别异常并动态评估系统风险。通过基于偏差的评分机制，可以检测到发电机、断路器和控制器等关键电网组件中的异常，同时优化审计频率以平衡攻击率和运营成本。此外，这项研究通过将智能审计代理集成到物理智能电网环境中，为具身人工智能（Embodied AI）做出了贡献；这些代理代表感知-行动循环，能够监测、学习并根据环境条件采取行动，这是具身人工智能系统的基本特征。这些代理从实时交互中学习，并动态调整行为，符合具身人工智能的范式。

该框架的多目标优化模型通过根据实时风险趋势动态调整审计计划，最小化攻击率（$R_{\mathrm{at}t\mathrm{ac}}$）和总成本（$C$）。使用模拟的网络攻击（例如，虚假数据注入）和物理故障（例如，过电流、电压下降）场景对所提出的解决方案进行了验证。与传统固定审计计划相比，结果显示出了显著的改进，包括42.5%的成本效率、93.8%的审计覆盖率和98.4%的异常检测准确性。这些结果证明了该框架是智能电网异常管理的可扩展和适应性解决方案，推动了安全高效电网运营领域的发展。这项工作为开发智能的、具有风险意识的方法论以增强电网韧性和运营优化做出了贡献。这些发现为进一步探索自主和分布式系统中增强安全性的AI解决方案奠定了基础。